-
Apresentação
Apresentação
O âmbito desta Unidade Curricular consiste em introduzir conceitos mais avançados em Ciência de Dados, ou seja, conhecer em detalhes problemas, recursos, modelos e avaliações utilizadas em Ciência de Dados. Nomeadamente, os alunos desta UC terão um contato detalhado com séries temporais, aplicações de séries temporais, classificação e regressão, bem como métricas para avaliação dos modelos desenvolvidos.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Mestre | Semestral | 6
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
1 | Obrigatório | Português
-
Código
Código
ULHT6347-23270
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
CP1. Introdução à linguagem R. Possibilidades de aplicações com R. Ferramentas essenciais para um Data Scientist.
CP2. Séries Temporais. Definição. Forecast. Decomposição. Visualizações.
CP3. Feature engineering.
CP4. Regressão. Modelos, problemas, dados, métricas, visualizações.
CP5. Classificação. Modelos, problemas, dados, métricas, visualizações.
CP6. Discussão do estado da arte.
-
Objetivos
Objetivos
OA1. Apresentar novas ferramentas e recursos (R e análise de séries temporais) para a resolução de problemas específicos em Ciência de Dados.
OA2. Representação de dados ao longo do tempo, e técnicas como decomposição, regressão, visualizações e modelos para predição.
OA3. Adquirir capacidades para extrair características informativas dos dados (Feature Engineering). Como transformação de dados temporais em dados tabulares para aplicações além da predição (classificação, regressão).
OA4. Adquirir capacidades para interpretação, representação das características informativas extraídas dos dados e avaliação dos resultados obtidos.
-
Metodologias de ensino e avaliação
Metodologias de ensino e avaliação
Esta unidade curricular consiste em aulas presenciais de natureza teórico-prática (Expositiva-Experimental):
ME1: Expositiva/Experimental: Esta unidade curricular consiste em aulas presenciais de natureza apresentação teórico/prática de acordo com o plano curricular, nas quais existe um problema claramente definido para resolver. Esta metodologia evita aulas de natureza unidirecional e favorece a co-construção do conhecimento nos estudantes facilitada pelo professor.
ME2: Ativa: realização de dois trabalhos de projeto em grupo e sua apresentação oral (40% + 40%).
ME3: Auto-estudo: trabalho individual do aluno demonstrado em aula (20%).Notas importantes da avaliação:
- A classificação final consiste da média de todos os momentos avaliativos: dois projetos (40% + 40%), exercícios práticos e participação em aula (20%).
- Classificação mínima de 10 valores na média final (ou 50%).
- Os grupos dos trabalhos de projeto podem ser entre 2 e 3 alunos.
-
Bibliografia principal
Bibliografia principal
- Hyndman, Rob J - Forecasting Principles and Practice. 3rd edition. OTexts. 2021.ISBN: 978-0987507136)
- Grus, J. - [Data Science from scratch: first principles with python. O'Reilly Media, Inc.
-
Horário de Atendimento
Horário de Atendimento
Nome do docente
Horário de atendimento
Sala
Gabriela Eleutério Soares
Quintas-feiras 17:30 - 18:30
Mediante agendamento
Gabriela Eleutério Soares
Assincronamente
Moodle/Teams/e-mail
-
Mobilidade
Mobilidade
Não